耕地細碎化農業區冬小麥遙感制圖方法

王麗美，靳國旺，熊 新，武 珂，黃啟灝

·土地保障與生態安全·

耕地細碎化農業區冬小麥遙感制圖方法

王麗美，靳國旺※，熊 新，武 珂，黃啟灝

（信息工程大學地理空間信息學院，鄭州 450001）

從遙感影像中提取作物播種面積和空間分布對耕地可持續發展和糧食安全意義重大。目前的遙感小麥制圖研究主要依靠光學圖像和高復雜度的分類方法，且現有分類算法在小樣本條件下、耕地細碎化農業區的分類性能以及時間遷移性能仍然不確定，探索適合小樣本的低復雜度的穩定算法具有現實意義。該研究基于Google Earth Engine（GEE）遙感云平臺，使用Sentinel-1 SAR和Sentinel-2光學時間序列遙感數據，評估了時間加權動態時間規整算法（Time-Weighted Dynamic Time Warping，TWDTW）、隨機森林算法（Random Forest，RF）和基于相似性測度（Difference and Similarity Factor，DSF）的OTSU閾值法在小樣本條件下、耕地細碎化農業區的冬小麥制圖精度和時間遷移性能。研究結果表明，在有限樣本條件下，TWDTW方法小麥制圖精度最高，總體精度（Overall Accuracy，OA）和Kappa系數分別為0.923和0.843；其次是RF（OA=0.906，Kappa=0.809）和DSF算法（OA=0.887，Kappa=0.767）；基于歐式距離的OTSU閾值法分類精度最低。當利用算法進行時間遷移分類提取2021年的冬小麥分布圖時，TWDTW和DSF算法表現出更好的穩定性且分類精度優于RF算法，其中TWDTW算法的精度最高，OA和Kappa系數分別為0.889和0.755；RF算法分類精度下降明顯，OA和Kappa系數分別降低了約0.07和0.19，說明RF算法的遷移分類性能較差。綜合來看，TWDTW算法對樣本和耕地細碎化的敏感性較低，可以在有限樣本條件下實現耕地細碎化農業區的高精度連續冬小麥制圖；而RF算法對樣本和耕地細碎化的敏感性較高，在有限樣本條件下的耕地細碎化農業區進行連續冬小麥制圖時穩定性較差。

遙感；作物；制圖；冬小麥；耕地細碎化；Google Earth Engine

0 引 言

小麥是中國最重要、種植范圍最廣的糧食作物之一，據統計，中國夏糧中超過90%都是小麥。及時、準確地監測小麥種植面積與分布對糧食生產、糧食安全決策、社會經濟和環境具有重要意義[1]。自中國實行土地承包制以來，耕地細碎化問題在廣大農村普遍存在，主要表現為地塊數量多、單位面積小和地塊分散等[2]。導致耕地細碎化的主要原因是農業生產以家庭經營為主要形式、勞動生產力水平低下以及農村緊張的人地關系[3]。耕地細碎化浪費了耕地資源、破壞了土壤肥力、增加了生產成本，最終導致耕地生產力的下降，一直是國內外土地整治工作的核心[2-4]。對耕地細碎化地區進行小麥制圖具有重要的戰略意義。

遙感技術具有空間分辨率高、重訪周期短、數據類型豐富、覆蓋范圍大、成本低等優勢，被廣泛應用于作物制圖研究[5-8]。已有研究表明，利用單時相衛星影像的作物制圖精度不令人滿意，特別是在耕地細碎化農業地區[9-10]，而基于時間序列遙感影像的作物制圖在精度和可靠性上遠優于單時相遙感[11-13]。隨著中高分辨率衛星的不斷發射（如美國Landsat衛星系列、歐空局Sentinel-1 SAR衛星和Sentinel-2光學衛星、中國的高分系列衛星）、衛星歷史影像數據的積累以及遙感云平臺技術（如GEE）的發展，時間序列遙感影像迅速成為作物制圖中重要的數據來源。

利用時間序列遙感影像進行作物制圖的研究中，基于機器學習的監督分類方法應用十分廣泛。規則決策樹、支持向量機（Support Vector Machine，SVM）、隨機森林（Random Forest，RF）等分類算法在其中發揮了重要作用[5-7]。這些監督分類算法中有些算法對樣本的要求苛刻（如SVM、RF），當樣本數量足夠、樣本分布均衡且具有典型代表性時能獲得很高的分類精度，但當樣本不滿足上述條件時，分類精度存在不確定性；有些方法具有很高的算法復雜度（如基于規則的決策樹），需要大量的專家知識和人工干預，雖然能夠取得較好的分類精度，但是研究目標的變化往往導致原有規則的失效，需要重新建立新的規則，算法遷移性能有待評價。

閾值法是一種簡單實用的土地利用/覆蓋分類方法，其中OTSU自動閾值法[14]應用最為廣泛。在閾值法作物制圖中，相似性度量的選擇是影響其精度和魯棒性的關鍵因素之一。歐式距離（Euclidean Distance，ED）和余弦相似度（spectral angle cosine distance，SAD）是常用的相似性度量準則。ED[15]側重反映物候特征向量之間的絕對距離差異，而忽略了形狀相似性，容易受到特征向量的維度和特征參數相關性的影響而降低分類精度。SAD[16]通過計算兩個向量夾角的余弦值來評估兩個向量的相似性，側重反映物候特征向量方向（形狀）上的相似性而忽略兩者之間的絕對差異。可見，不同的距離度量有各自的特點和優勢，使用不當會造成偏差甚至錯誤的分類。目前針對閾值法作物分類的研究主要集中在特征工程和閾值確定方法上，對相似性度量的研究和分析較少。

實際上，由于受生長環境（天氣、耕作方式、旱澇、病蟲害）和遙感圖像噪聲等因素的影響，作物的物候曲線存在不可知的、非線性扭曲（如長度差、相位差），用簡單直接的歐式距離強制對齊就會導致偏差甚至錯誤的結果。動態時間規整（Dynamic Time Warping，DTW）為解決這一問題提供了有效途徑。DTW最初用于語音識別[17]，后來被引入到時間序列遙感圖像分類中，經常被用于時間序列遙感圖像作物分類研究[18]。DTW通過非線性對齊來找到兩個時間序列之間的最小路徑，可以一定程度上處理因氣候和耕作方式不同導致的物候曲線扭曲問題，但是，非線性對齊的過度靈活會降低DTW的分類性能。為此，Maus等[19]在DTW中引入了時間約束，提出時間加權動態時間規整算法（Time-Weighted DTW，TWDTW），以解決DTW分類性能降低的問題。TWDTW與閾值法有一定的關系，本質上都屬于基于相似性度量的分類算法，閾值法常應用于單類地物提取，TWDTW算法在多地類樣本條件下，可以實現多地類分類[20]。TWDTW算法原理簡單易操作，目前已有一些利用該方法進行作物分類制圖的研究[21-23]。但是，目前的研究多集中在遙感數據源和特征利用方面，對于小樣本條件下、耕地細碎化地區的TWDTW冬小麥制圖研究較少，算法的適應性和精度仍不確定。

耕地細碎化地區的作物制圖難度一般高于規模化農業種植區，算法的適用性和穩定性對該類地區的作物制圖非常重要；要實現該類地區的長期大范圍作物制圖需要采用對樣本依賴度低、效率高的算法，因此探索適合小樣本的、復雜度低的算法具有現實意義。本研究旨在評價3種典型代表算法（包括RF、TWDTW和OTSU）在小樣本條件下、耕地細碎化地區進行冬小麥制圖的精度與穩定性，為該類地區的冬小麥長期大尺度制圖研究提供科學參考。

1 研究區概況與數據來源

1.1 研究區概況

在南陽市臥龍區選擇一塊耕地細碎化程度較高的區域作為研究區（圖1a），區內農業生產以家庭經營為主要形式，種植模式靈活度高，存在大量的細條狀小地塊，果園、林地等地塊散布其中，呈現出耕地細碎化特點（圖 1b，2020年3月的Sentinel-2月度真彩色合成影像），具有較強的代表性。研究區夏季作物以冬小麥為主，其次是花生，還有少量的果園和林地。冬小麥在每年的10月種植，次年的5—6月收割；花生一般在5月左右種植，8—9月收獲，花生種植前的農田處于閑置狀態，沒有種植任何作物，此時地表呈現裸土特征，在真彩色影像上的色調與小麥有明顯差別。2020年研究區主要土地利用類型包括冬小麥、居民地、道路、花生地、林地和果園等。

圖1 研究區位置與地面參考數據

1.2 數據來源

本文選用的遙感數據源為高空間分辨率的歐空局地球觀測衛星Sentinel-1和Sentinel-2數據。

1.2.1 Sentinel-1 SAR遙感數據

Sentinel-1屬于雙極化C波段SAR衛星，是由A、B兩顆同軌極軌衛星組成的星座。Sentinel-1A、Sentinel-1B分別于2014年4月3日和2016年4月25日發射升空，單顆星軌道周期為12 d，兩顆星組網重訪周期為6 d[24]。本文采用GEE遙感云平臺中IW（Interferometric Wide swath）觀測模式、雙極化（VV+VH）的Sentinel-1地距影像（Ground Range Detected，GRD）產品COPERNICUS/S1_GRD，空間分辨率為5 m×20 m，該產品已經過多視處理、熱噪聲去除、輻射校準和地形校正處理。為提高作物分類研究中的SAR圖像數據質量，本文對COPERNICUS/S1_GRD數據集進行了多時相LEE斑點噪聲濾波[25]和月度均值合成。

1.2.2 Sentinel-2多光譜遙感數據

Sentinel-2是歐空局發射的高分辨率多光譜成像衛星，有13個光譜波段，分為2A和2B兩顆衛星，兩顆衛星的重訪周期為5 d，空間分辨率為10 m。本文采用GEE云平臺的Sentinel-2 Level-2A產品數據集COPERNICUS/S2_SR，該數據是經過大氣校正的大氣底層反射率產品。光學衛星影像易受云霧影響，為提高數據可用性，本文首先采用COPERNICUS/ S2_CLOUD_PROBABILITY數據集對COPERNICUS/ S2_SR數據進行去云處理，而后對數據集進行了NDVI指數添加和月度均值合成。NDVI計算式為

式中B8，B4分別是S2_SR數據集的B8近紅外波段和B4紅波段。

1.2.3 Sentinel-1和Sentinel-2月度數據集合并

考慮研究區冬小麥物候期范圍，在2020年度小麥制圖試驗中，使用的遙感數據日期范圍是2019年10月1日至2020年7月1日，研究區內Sentinel-1可用影像40張，Sentinel-2可用影像54張；在2021年度小麥制圖試驗中，使用的遙感數據日期范圍2020年10月1日至2021年7月1日，研究區內Sentinel-1可用影像38張，Sentinel-2可用影像52張。圖像噪聲和田間管理差異等會造成遙感提取的作物特征曲線與真實特征曲線之間，以及同類作物特征曲線之間的偏差或者畸變，使得遙感數據無法準確表征真實物候特征，從而降低結果的可靠性。通過月度均值合成，可以有效地減少Sentinel-1圖像上的斑點噪聲，有效填補Sentinel-2光學圖像去云過程留下的云、陰影等影像空洞，減少光學圖像上由于去云不徹底而殘留的云、陰影等像素的影響，同時削弱田間管理差異引起的誤差，提高圖像數據的表征能力和結果的可靠性。因此，本文對每個年度的Sentinel-1、Sentinel-2數據進行預處理，通過月均值合成，分別得到相應年份冬小麥物候期內的9景光學月度合成圖像和9景SAR月度合成圖像。

將Sentinel-1和Sentinel-2月度合成圖像進行合并，可以得到S1_S2_stack時間序列數據集。近年作物分類研究中，國內外學者探索了利用Sentinel-1[20]或Sentinel-2[8,23]的單傳感器作物分類精度，或者融合Sentinel-1和Sentinel-2[5,7]的作物監督分類精度。為充分利用不同作物生長過程中的結構和光譜差異，本文選擇反映作物結構信息的Sentinel-1 VV和VH后向散射系數，反映作物光譜信息的Sentinel-2 可見光波段（B2、B3）、中紅外波段（B11、B12）以及由可見光B4和近紅外B8計算的NDVI指數，作為本文小麥制圖方法的分類特征。

1.2.4 地面參考數據

2020年春季（3—5月）開展了實地調查，基于奧維地圖軟件進行田間采樣并拍攝照片，得到了各地類的代表性樣本（圖1b，表1）。基于田間采樣數據、Google Earth高分辨率影像、2020年3月份Sentinel-2 合成影像，以及NDVI月度時序數據，利用QGIS半自動分類插件（Semi-Automatic Classification Plugin，SCP）[26]人工解譯得到研究區2020年主要作物地塊分布圖像（圖1c），使用該數據作為參考圖像，評定不同分類方法的冬小麥制圖精度。

表1 研究區田間采樣信息

2 研究方法

本文研究方案包括3部分，如圖2所示。首先，基于GEE遙感云平臺，對Sentinel-1 SAR影像、Sentinel-2多光譜影像進行預處理，得到S1_S2_stack月度合成影像；然后，結合田間采樣數據，基于相同的特征，在GEE上分別采用3種方法進行冬小麥制圖試驗；最后，以QGIS半監督分類方法獲取的小麥地塊為參考圖像，利用MATLAB軟件對不同方法的冬小麥制圖結果進行精度評估。

注：RF，隨機森林；TWDTW，時間加權動態時間規整算法；DSF，相似性測度；ED，歐式距離。下同。

本文采用的3種分類算法包括RF監督分類方法，基于距離測度的OTSU閾值法，以及TWDTW方法，對于每一種分類方法，使用相同的特征空間以便于比較算法的分類性能。以上3種算法的分類試驗都是在GEE平臺上實現，代碼鏈接https://code.earthengine.google.com/? accept_repo=users/jytwlm/DTW_RF_DSP。

2.1 RF分類算法

隨機森林算法是將多棵決策樹構成森林的集成學習分類器[27-28]，主要包括模型訓練和分類兩個過程，算法實現流程，1）樣本隨機：假設訓練數據集共有個對象，采取有放回（Boostrap）隨機抽取個樣本，每一次取出的樣本不完全相同，這個樣本就組成了單顆CART樹的訓練數據集；2）特征隨機：假設每個樣本都有個特征，從中隨機地選取（≤）個特征，通過計算每一個特征所包含的信息量實現CART決策樹分裂生長，決策樹成長期間的大小始終不變；3）重復前面的步驟，建立棵CART樹，這些樹都要完全成長且不被修剪，形成森林；4）根據所有CART樹的預測結果進行投票決定，得到樣本的最終類別標簽。在GEE平臺上利用RF分類器（smileRandomForest()）進行分類試驗，基于對RF決策樹數量與分類精度的分析，最終將RF分類器中決策樹數量設置為100棵，其他參數使用默認值。

2.2 TWDTW算法

DTW算法由于匹配行為中的高靈活度以及受到物候相位差的影響導致距離計算偏差，降低了算法性能。Maus等[19]提出一種時間加權擴展的DTW算法，即TWDTW算法，這種方法靈活地考慮作物物候差異產生的相位差，采用線性函數加權或者邏輯函數加權將時間懲罰（權重）添加到距離計算中，分類精度和可靠性較高，并且適用于少量訓練樣本的情況。本文選擇邏輯函數加權的Logistic TWDTW算法，因為它顯示出比線性函數加權Linear TWDTW算法更精確的結果：Logistic TWDTW對小時間扭曲的懲罰較低，對大時間扭曲的懲罰較大；而Linear TWDTW對小時間扭曲的代價懲罰較大，降低了分類的敏感性[19-21]。Logistic TWDTW對參考類特征時間序列t與待分類像素特征時間序列t的每個對齊點對(t,i, t,j)增加一個權重w,j[19]：

式中(t,i, t,j)為對齊點對的日期之差，即時間扭曲（d）。邏輯函數模型需要設置2個重要的參數，分別為中點（）和陡度（），本文使用文獻[19-20]中推薦的參數值（= ﹣0.1，= 50），這意味著對小于50 d的時間扭曲給予較低的處罰，而對更大的時間扭曲給予更高的處罰。

本文在GEE平臺上實現了TWDTW算法，主要包括3個步驟：首先，基于田間采樣點位置和S1_S2_stack數據集，得到每個樣本點的特征序列，對同一種地類所有樣本點的特征序列求平均，得到該類別的參考特征序列，同樣方法獲取研究區各地類的參考特征序列；然后，利用Logistic TWDTW算法計算S1_S2_stack圖像中每個像素的特征序列與各類別參考特征序列的距離；最后，把每個像素劃分給TWDTW距離最小的地物類別，從而生成整個研究區的分類圖。

2.3 基于距離測度的OTSU閾值法

不同地物的特征時間序列往往具有不同的形狀和大小，由于氣候、耕作方式、天氣條件等方面的差異，同種作物的物候曲線往往具有形狀或大小上的差異，這可能引起分類誤差。理論上，綜合考慮特征曲線的形狀相似度和距離差異可以提高作物提取的精度。歐式距離（ED）是分類中評價兩個特征向量相似度的常用距離度量，但ED的大小受向量維數影響，范圍不固定，含義模糊。而且，ED側重于表達兩個向量之間的絕對距離差異，忽略了它們形狀的相似性，分類結果往往會高估作物的種植面積。因此，本文提出一種融合距離差異因子和形狀相似因子的復合距離測度DSF，計算式如下：

車間Milk-run系統運行模式是基于在上一個配送周期期間消耗的物料信息，在物料源（例如中央倉庫、超市）處拾取完整的裝滿物料的容器，然后通過運輸火車將容器帶到一個或多個水槽（例如超市、工作站）。在交接地點，配送人員將裝滿物料的容器放到指定位置并取走空容器，根據路線上的水槽數量重復該過程。當所有滿載貨物的容器均被配送完畢時，列車將空箱運回原處。如果空箱在物料源處不需要被重新裝滿，則將它們帶到收集區域。

式中1表示兩個特征序列（X，Y）的相對距離偏差，值越小表示兩個特征序列越相似；2是評價兩個序列形狀相似度因子，值越大表示兩個特征序列越相似[29]。DSF距離度量同時考慮了特征序列的形狀相似和距離差異，經分類試驗證實，分類效果優于傳統的歐式距離和光譜角距離測度。

本文在GEE上實施OTSU閾值法分類，首先利用S1_S2_stack數據，計算每個待分類像素與冬小麥參考特征序列的DSF距離，得到距離圖像；而后，利用OSTU自動分割方法獲取距離圖像的最大類間方差閾值[14]；最后，把小于該閾值的像素劃分為冬小麥，否則為非小麥，從而實現冬小麥的提取。

2.4 Jeffries-Matusita (JM) 距離

在遙感分類研究中，JM距離（Jeffries-Matusita distance）常用于評價樣本的代表性或特征對地類的分辨能力[30]。JM距離計算式為

式中1，2，1，2分別為類別1和類別2的樣本特征曲線的均值和標準差；為Bhattacharyya距離。在本文研究中，利用JM距離來評價7個圖像特征參數對典型地表覆蓋類型的區分能力。

2.5 分類精度評價

本文基于QGIS半監督分類得到的小麥地塊參考圖像，計算不同分類方法的混淆矩陣，從混淆矩陣中提取相關精度指標進行精度評價。利用混淆矩陣計算分類結果的總體精度（OA）和Kappa系數的計算式如下：

式中為分類結果的總像素數目。真正例（True Positive, TP）表示實際和預測都是正樣例；偽反例（False Negative，FN）表示實際是正例而預測為反例；真反例（True Negative，TN）表示實際和預測都是反例；偽正例（False Positive，FP）表示實際是反例而預測為正例。OA直接反映正確分類像素占區域總像素的比例，當研究區各地類樣本數量不均衡時，會造成OA在分類精度評價上的偏差。是反映地類樣本數量不均衡性的指標，越不均衡，越大，因此Kappa系數在各地類樣本數量不均衡時仍能客觀的評價精度。

3 結果與分析

3.1 特征的JM距離可分性

利用JM距離可以分析不同特征對地類的分辨能力。利用S1_S2_stack時序影像數據，提取每類樣本的特征時間序列，根據特征類別（VV、VH、B2、B3、B11、B12和NDVI）對每類樣本的時序數據進行劃分，得到典型地物類型的特征時間曲線（圖3），以及各個特征上的類間JM距離矩陣（圖4）。

圖3 典型地物類型的特征時間曲線

3.2 分類結果與算法遷移性能

利用2020年S1_S2_stack數據和2020年樣本，采用RF、TWDTW和DSF方法得到的2020年冬小麥制圖結果如圖5a～5e所示。總體來說，3種方法均可以獲得較好的分類結果。圖中藍色虛線框范圍是果園、花生、小麥和廠房的混合區域，地類結構復雜，RF算法對果園、廠房的分類結果內部一致性較好，但是對小麥有明顯的誤分，如圖5b中黑色橢圓區域；在TWDTW分類結果中（圖 5c），盡管有少量果園與林地的誤分，但是在小麥的范圍提取上，精度明顯高于RF算法；DSF算法的小麥制圖結果（圖5d）與RF相當，但明顯優于ED算法（圖5e）。

基于小麥地塊參考圖像，計算了RF、TWDTW、DSF和ED算法的冬小麥制圖精度，如表2所示。結果表明，TWDTW算法精度最好，OA和Kappa系數分別為0.923和0.843；其次是RF算法，OA和Kappa系數分別為0.906和0.809；DSF分類結果的精度較低，OA和Kappa系數分別為0.887和0.767。而作為對比的ED算法，OA和Kappa系數均明顯低于本文的3種算法。

2021年的冬小麥提取結果如圖5f～5j所示。對比圖 5a和5f可知，2021年研究區的土地利用類型及其空間分布與2020年相比發生了一些變化。2021年花生的種植面積比2020年明顯減少，其中大部分改種了冬小麥；另外2021年一些人造地物（如大棚）明顯減少，大部分改種了冬小麥。在這種背景下，進行時間連續高精度作物制圖時需考慮，1）是否需要密集型采樣，獲取數量充足的高質量樣本數據以保證制圖精度；2）分類算法的時間遷移性能如何，即是否需要在不同年份重復進行樣本采樣并分別訓練分類器以實現不同年份的分類任務。為探索這兩個問題，選擇2021年冬小麥制圖作為對比試驗，驗證不同算法的時間遷移性能。

圖4 不同特征變量的JM距離矩陣

注：藍色矩形框、藍色橢圓和黑色橢圓區域表示小麥、果園、林地、花生、建成區等混合地類區，是評價分類精度的重要區域。

利用由2020年度特征數據和樣本訓練得到的隨機森林分類器（RF_2020）對2021年S1_S2_stack數據分類，得到2021年分類結果（圖5g）；利用2020年采集的各地類參考特征時間序列，分別采用TWDTW和DSF算法對2021年S1_S2_stack數據進行分類和冬小麥提取，得到2021年分類結果如圖5h和圖5i所示。采用QGIS半監督分類方法人工解譯得到2021年小麥參考圖像，對三種方法的2021年分類結果進行精度計算，結果如表2所示。試驗表明，使用2020年的樣本對2021年的數據分類時，3種算法表現出不同的時間遷移穩定性，TWDTW算法仍然取得了最好的分類精度，OA和Kappa系數分別為0.889和0.755；DSF算法精度次之，OA和Kappa系數分別為0.855和0.669；RF算法的分類精度最低，與2020年的分類結果相比，OA和Kappa系數分別降低了約0.07和0.19。可以看出，RF的分類精度在遷移前后變化較大，說明RF分類器的時間遷移性能較差。

表2 不同分類方法整體精度和Kappa系數

3.3 討 論

耕作細碎化程度影響作物精確制圖，本文選擇耕作細碎化程度高，種植結構靈活的區域進行小麥制圖試驗，探索不同方法的作物制圖精度和時間遷移性能。在作物生長過程中，作物結構和光譜信息都會隨著物候期變化而改變，且不同作物在遙感圖像特征上存在差異。Sentinel-1 VV和VH后向散射系數可以反映作物結構信息，Sentinel-2可見光波段（B2、B3）、中紅外波段（B11、B12）以及由可見光B4和近紅外B8計算的NDVI指數，反映作物不同波段的光譜特征差異，綜合利用這些特征可以更細致地刻畫作物，從而提高作物提取的精度。

RF算法是監督分類中應用最廣泛的分類器，分類精度一般優于其他監督分類器。但是，RF算法要求數量豐富、分布均衡、具有代表性的樣本，限制了算法在耕地細碎化區域的應用。本研究利用的樣本數量偏少，且各地類樣本數不均衡可能是導致RF分類精度低和穩定性較差的原因。試驗分析了RF算法中不同的決策樹數量對分類結果的影響，發現在樣本確定的情況下，樹的數目達到一定數值后，樹的增多不會提高分類精度。

TWDTW、DSF和ED是基于特征序列匹配的分類方法，對樣本數據的要求較為寬松，只需要少量的代表性樣本，就可以獲得較高的分類精度。一般來講，不同地物往往具有不同的特征序列模式，而同一地物則具有相同的特征序列模式，但是由于生物與非生物因素的影響，地物的特征曲線會發生不可預測的非線性扭曲，從而出現時間軸上的“同物異譜”和“異物同譜”現象。過度寬泛的距離度量標準會造成目標地物的錯檢從而形成過高的估計，而過度嚴格的度量標準會造成目標地物的漏檢從而形成過低的估計。現有的相似性度量有的側重距離差異，有的側重形狀相似，使用單一度量評價特征時間序列之間的相似性往往具有片面性，造成分類結果的不確定性。歐氏距離側重反映特征序列之間的絕對距離差異，而忽略了兩者之間的形狀相似性。DSF距離度量綜合考慮了距離差異和形狀相似性，能更準確地衡量特征序列之間的相似度，因此分類精度高于ED算法。TWDTW在特征時間序列匹配時考慮了物候差異的影響，因此分類精度優于傳統的距離度量DSF和ED。

算法時間遷移分類中，基于特征序列匹配的分類方法（TWDTW和DSF）可以獲得較高的小麥制圖精度，且在分類精度和穩定性上均高于監督分類方法（RF）。造成這種結果的原因可以從算法和數據兩個方面進行分析。從算法特點上分析，RF算法具有樣本隨機性和特征隨機性。樣本隨機是指訓練每棵樹時，從全部訓練樣本中有放回的選取特定數量的樣本作為訓練樣本；特征隨機是指在每個節點隨機選取所有特征的一個子集，用來計算最佳分割方式。樣本隨機造成選擇的樣本集是有重復的，降低了樣本集的表征能力，這對小樣本的研究影響更加突出；特征隨機可能造成特征選擇的偏見，造成特征種類或數量的不均衡，使得數量少的特征幾乎不起作用。相比之下，TWDTW和DSF算法充分利用了全部樣本與特征（光譜、指數、后向散射系數等特征并集）。從數據上分析，由于生物、非生物因素的影響以及遙感影像可用性的不同，造成不同年度的時間序列數據之間存在差異，導致所有算法的分類精度都出現不同程度的下降。這種數據差異對樣本依賴性高的算法影響更為突出，而在幾種算法中，RF對樣本的依賴性更高，因此穩定性較差；而基于特征序列匹配的方法對樣本的依賴性較低，尤其是TWDTW算法可以部分解決由氣候和耕作方式不同導致的物候特征序列差異問題，因此遷移性能更穩定，精度更高。

本文旨在探索具有一定機理性、精度高且復雜度低的算法，為長期、大尺度作物制圖以及快速更新提供有價值的參考。深度學習方法雖然能夠利用神經網絡提取深層特征，在一些應用中達到較高的精度，然而訓練網絡需要大量的人工標注樣本，在耕地細碎化農業區，土地利用類型多而碎，年際變化大，獲取大量的可靠樣本存在困難，限制了算法應用。相比之下，傳統方法具有更好的物理機理性、可解釋性以及更低的算法復雜度。未來的研究中，可以探索將傳統方法與深度學習有效結合，以發揮各自優勢，進一步提高耕地細碎化地區作物制圖的精度與效率。

4 結 論

本文利用Sentinel-1 SAR、Sentinel-2多光譜時序遙感數據和田間采樣數據，研究了有限代表性樣本條件下，時間加權動態時間規整（TWDTW）算法、隨機森林（RF）算法和基于復合距離測度（DSF）的OTSU閾值法在耕地細碎化地區的冬小麥制圖表現，得出以下結論：

1）Sentinel-1和Sentinel-2衛星遙感數據具有空間分辨率高、重訪周期短、覆蓋范圍大、成本低等優勢，兩者結合使用可以彌補由云霧天氣導致的光學影像數量不足的問題。在有限代表性樣本支持下，基于Sentinel-1和Sentinel-2時間序列數據的TWDTW、RF和DSF算法，均可以獲得較高的小麥制圖精度。

2）在2020年的分類試驗中，TWDTW獲得的冬小麥制圖精度最高，OA和Kappa系數分別為0.923和0.843，其次是RF算法和DSF算法；在時間遷移分類試驗中，TWDTW仍可以獲得很高的制圖精度，OA和Kappa系數分別為0.889和0.755，其次是DSF算法和RF算法。

3）相對于RF算法，TWDTW算法對樣本的敏感性較低，在有限代表性樣本下，可以在耕地細碎化農業區獲得高精度的冬小麥制圖結果；TWDTW和DSF算法具有良好的時間遷移性能，可以使用單年份獲取的樣本數據實現跨年份的小麥制圖。

[1] 董金瑋，吳文斌，黃健熙，等. 農業土地利用遙感信息提取的研究進展與展望[J]. 地球信息科學學報，2020，22(4)：772-783.

Dong Jinwei, Wu Wenbin, Huang Jianxi, et al. State of the art and perspective of agricultural land use remote sensing information extraction[J]. Journal of Geo-information Science, 2020, 22(4): 772-783. (in Chinese with English abstract)

[2] 文高輝，楊鋼橋. 耕地細碎化對農戶耕地生產率的影響機理與實證[J]. 中國人口·資源與環境，2019，29(5)：138-148.

Wen Gaohui, Yang Gangqiao. Impact mechanism and empirical study of cultivated land fragmentation on farmers’ cultivated land productivity[J]. China Population, Resources and Environment, 2019, 29(5): 138-148. (in Chinese with English abstract)

[3] Tan S, Heerink N, Qu F. Land fragmentation and its driving forces in China[J]. Land Use Policy, 2006, 23(3): 272-285.

[4] 杜國明，蓋兆雪，王洪彥. 中國耕地細碎化的理論解析與研究框架[J]. 地球科學與環境學報，2021，43(6)：997-1008.

Du Guoming, Gai Zhaoxue, Wang Hongyan. Theoretical explanation and research framework of cultivated-land fragmentation in China[J]. Journal of Earth Sciences and Environment, 2021, 43(6): 997-1008. (in Chinese with English abstract)

[5] 周濤，潘劍君，韓濤，等. 基于多時相合成孔徑雷達與光學影像的冬小麥種植面積提取[J]. 農業工程學報，2017，33(10)：215-221.

Zhou Tao, Pan Jianjun, Han Tao, et al. Planting area extraction of winter wheat based on multi-temporal SAR data and optical imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(10): 215-221. (in Chinese with English abstract)

[6] 鄧劉洋，沈占鋒，柯映明，等. 基于地塊尺度多時相遙感影像的冬小麥種植面積提取[J]. 農業工程學報，2018，34(21)：157-164.

Deng Liuyang Shen Zhanfeng, Ke Yingming, et al. Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157-164. (in Chinese with English abstract)

[7] Li C, Chen W, Wang Y, et al. Mapping winter wheat with optical and SAR images based on Google Earth Engine in Henan province, China[J]. Remote Sensing, 2022, 14(2): 284.

[8] 陳彥四，黃春林，侯金亮，等. 基于多時相Sentinel-2影像的黑河中游玉米種植面積提取研究[J]. 遙感技術與應用，2021，36(2)：324-331.

Chen Yansi, Huang Chunlin, Hou Jinliang, et al. Extraction of maize planting area based on multi-temporal Sentinel-2 imagery in the middle reaches of Heihe River[J]. Remote Sensing Technology and Application, 2021, 36(2): 324-331. (in Chinese with English abstract)

[9] Delrue J, Bydekerke L, Eerens H, et al. Crop mapping in countries with small-scale farming: A case study for West Shewa, Ethiopia[J]. International Journal of Remote Sensing, 2013, 34(7/8): 2566-2582.

[10] Gomez C, White J C, Wulder M A. Optical remotely sensed time series data for land cover classification: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[11] 劉通，任鴻瑞. GEE平臺下利用物候特征進行面向對象的水稻種植分布提取[J]. 農業工程學報，2022，38(12)：189-196.

Liu Tong, Ren Hongrui. Object-oriented extraction of paddy rice planting areas using phenological features from the GEE platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(12): 189-196. (in Chinese with English abstract)

[12] 習文強，杜世宏，杜守基. 多時相耕地覆蓋提取和變化分析：一種結合遙感和空間統計的時空上下文方法[J]. 地球信息科學學報，2022，24(2)：310-325.

Xi Wenqiang, Du Shihong, Du Shouji. Multi-temporal cultivated land cover extraction and change analysis: A spatiotemporal context method combining remote sensing and spatial statistics[J]. Journal of Geo-information Science, 2022, 24(2): 310-325. (in Chinese with English abstract)

[13] 潘力，夏浩銘，王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物種植面積制圖[J]. 農業工程學報，2021，37(18)：211-218.

Pan Li, Xia Haoming, Wang Ruimeng, et al. Mapping of the winter crop planting areas in Huaihe River Basin based on Google Earth Engine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 211-218. (in Chinese with English abstract)

[14] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[15] Mimmack G M, Mason S J, Galpin J S. Choice of distance matrices in cluster analysis: Defining regions[J]. Journal of Climate, 2010, 14(12): 2790-2797.

[16] Modh J S, Brijesh S, Satish S K. A new k-mean color image segmentation with cosine distance for satellite images[J]. International Journal of Engineering & Advanced Technology, 2012, 1(5): 27-30.

[17] Sakoe H, Chiba S. Dynamic programming algorithm optimization for spoken word recognition[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1978, 26(1): 43-49.

[18] Petitjean F, Inglada J, Gan?arski P. Satellite image time series analysis under time warping[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(8): 3081-3095.

[19] Maus V, Camara G, Cartaxo R, et al. A time-weighted dynamic time warping method for land-use and land-cover mapping[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8): 3729-3739.

[20] Moola W S, Bijker W, Belgiu M, et al. Vegetable mapping using fuzzy classification of dynamic time warping distances from time series of Sentinel-1A images[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102405.

[21] 汪小欽，邱鵬勛，李婭麗，等. 基于時序Landsat遙感數據的新疆開孔河流域農作物類型識別[J]. 農業工程學報，2019，35(16)：180-188.

Wang Xiaoqin, Qiu Pengxun, Li Yali, et al. Crops identification in Kaikong River Basin of Xinjiang based on time series Landsat remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 180-188. (in Chinese with English abstract)

[22] Gella G W, Bijker W, Belgiu M. Mapping crop types in complex farming areas using SAR imagery with dynamic time warping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 175: 171-183.

[23] Mariana B, Ovidiu C. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis[J]. Remote Sensing of Environment, 2018, 204, 509-523.

[24] Torres R, Snoeij P, Geudtner D, et al. GMES Sentinel-1 mission[J]. Remote Sensing of Environment, 2012, 120: 9-24.

[25] Mullissa A, Vollrath A, Odongo-Braun C, et al. Sentinel-1 SAR backscatter analysis ready data preparation in Google Earth Engine[J]. Remote Sensing, 2021, 13(10): 1954.

[26] Congedo L. Semi-automatic classification plugin: A Python tool for the download and processing of remote sensing images in QGIS[J]. Journal of Open Source Software, 2021, 6(64): 3172.

[27] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[28] Pal M. Random forest classifier for remote sensing classification[J]. International Journal of Remote Sensing, 2005, 26(1): 217-222.

[29] Noce L, Gwaza L, Mangas-Sanjuan V, et al. Comparison of free software platforms for the calculation of the 90% confidence interval of f2 similarity factor by bootstrap analysis[J]. European Journal of Pharmaceutical Sciences, 2020, 146: 105259.

[30] Sen R, Goswami S, Chakraborty B. Jeffries-Matusita distance as a tool for feature selection[C]. 2019 International Conference on Data Science and Engineering (ICDSE), IIT Patna, India, 2019.

Winter wheat mapping in land fragmentation areas using remote sensing data

Wang Limei, Jin Guowang※, Xiong Xin, Wu Ke, Huang Qihao

(,,450001,)

An accurate and rapid extraction can be highly required for the crop sown area and spatial distribution from the remote sensing images, particularly for the sustainable development of cultivated land and food security. However, winter wheat mapping using remote sensing depends mainly on optical images and complex classification at present. Besides, it is still unclear on the classification performance and time-transferring capability of existing classification with the small sample sets in the highly land-fragmentation areas. The fragmentation of cultivated land has always been the core of rural land regulation, where the land resources are wasted to reduce the cultivated land productivity in the soil fertility with the high production costs. The difficulty of crop mapping in finely fragmented areas is generally higher than that in large-scale farming areas. The applicability and stability are very important for the study of such areas. It is necessary to realize long-term large-scale crop mapping with a low dependence on the number of samples and high efficiency. Therefore, it is of practical significance to develop a new extraction with a low complexity suitable for small samples. Previous studies have shown that the accuracy of crop mapping using single-phase satellite imagery cannot fully meet the high requirement in recent years, especially in land fragmentation areas. In this study, the high-level fragmentation of cultivated land was selected as the study area in the Wancheng District, Nanyang City, China. Using the Google Earth Engine cloud computing and Sentinel-1 SAR and Sentinel-2 optical images, three advanced classifications were evaluated, including the time-weighted dynamic time warming (TWDTW), random forest (RF), and OTSU with distance measure (DSF), for the winter wheat mapping accuracy and time-transferring capability with the small sample sets in the study area. The results show that effective extraction was achieved in the sown area and spatial distribution of winter wheat in 2020, but there were some differences in the classification accuracies. The TWDTW presented the highest classification accuracy, with the Overall Accuracy (OA) and Kappa coefficients 0.923 and 0.843, respectively, followed by the RF (OA=0.906, Kappa=0.809) and DSF (OA=0.887, Kappa=0.767). The OTSU with the Euclidean Distance showed the lowest classification accuracy. When transferring to extract the winter wheat classification maps of 2021, the classification accuracy of each model decreased: The TWDTW and DSF showed better stability and classification accuracy than the RF. The TWDTW shared the highest accuracy with the OA and Kappa of 0.889 and 0.755, respectively. The classification accuracy of RF decreased significantly, and the OA and Kappa decreased by about 0.07and 0.19, respectively, indicating the lower stability of the model. In general, the TWDTW presented low sensitivity to the training samples and spatial heterogeneity. As such, the high-precision continuous mapping was realized for the winter wheat in the agricultural areas with high spatial heterogeneity under the condition of limited samples. However, the RF was sensitive to the training samples and spatial heterogeneity. The condition of limited samples can cause low stability in the continuous winter wheat mapping in high spatial heterogeneity agricultural areas. This finding can provide important selection ideas and scientific support for continuous crop mapping with the small sample sets in the highly land-fragmentation areas.

remote sensing; crops; mapping; winter wheat; cultivated land fragmentation; Google Earth Engine

10.11975/j.issn.1002-6819.2022.22.021

S512.11

A

1002-6819(2022)-22-0190-9

王麗美，靳國旺，熊新，等. 耕地細碎化農業區冬小麥遙感制圖方法[J]. 農業工程學報，2022，38(22)：190-198.doi：10.11975/j.issn.1002-6819.2022.22.021 http://www.tcsae.org

Wang Limei, Jin Guowang, Xiong Xin, et al. Winter wheat mapping in land fragmentation areas using remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 190-198. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.22.021 http://www.tcsae.org

2022-08-03

2022-09-19

國家自然科學基金項目（41474010，61401509）

王麗美，博士生，研究方向為多源遙感圖像處理與應用。Email：jwfreefool@163.com

靳國旺，教授，博士生導師，研究方向為雷達攝影測量、SAR圖像處理與信息提取。Email：guowang_jin@163.com